研究者提出WORTH基准并报告两集试点实验

Bo Zou、Chao Xu 提出 WORTH Benchmark，让模型在无线索标注的原创悬疑叙事中自主选取关键线索句、识别案件参与者并解释推理过程。两集试点共完成 70 次正式运行，其中 67 次可内容评分。 作者称，该研究只实现两集完整故事条件，不据此建立稳定的模型排名或推断普遍机制；人类玩家记录尚未清洗，本版不报告人机对比。

AI 根据报道生成 · 49 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。